معرفی مقاله و اهمیت آن

در دنیای امروز، سازمان‌ها به طور فزاینده‌ای به دنبال درک و بهینه‌سازی فرآیندهای کسب‌وکار خود هستند تا کارایی، کاهش هزینه‌ها و بهبود خدمات مشتری را محقق سازند. کشف فرآیند (Process Discovery) یک حوزه حیاتی در کاوش فرآیند (Process Mining) است که به استخراج مدل‌های فرآیند از داده‌های رویداد کمک می‌کند. با این حال، بسیاری از اطلاعات فرآیندی مهم، به جای داده‌های ساختاریافته، در متون زبان طبیعی (Natural Language Text) مانند اسناد رویه‌های عملیاتی، دستورالعمل‌ها، ایمیل‌ها و حتی چت‌ها نهفته‌اند. وظیفه استخراج فرآیند از متن (Process Extraction from Text) دقیقاً همین است: تبدیل این اطلاعات غیرساختاریافته به مدل‌های فرآیندی قابل فهم و تجزیه و تحلیل.

با وجود اهمیت چشمگیر این حوزه، توسعه و ارزیابی عینی رویکردهای استخراج فرآیند با یک چالش اساسی مواجه بوده است: کمبود مجموعه‌داده‌های طلایی (gold-standard corpora). این مجموعه‌داده‌ها، متونی هستند که به دقت با نهادها و روابط مرتبط با فرآیند (مانند فعالیت‌ها، دروازه‌ها، بازیگران و جریان کنترل) حاشیه‌نویسی شده‌اند. عدم وجود چنین منابعی، مقایسه نتایج حاصل از رویکردهای مختلف استخراج را به شیوه‌ای عینی دشوار می‌سازد و همچنین از به‌کارگیری متدولوژی‌های استخراج اطلاعات مبتنی بر داده (data-driven information extraction) که در حوزه پردازش زبان طبیعی بسیار رایج هستند، جلوگیری می‌کند.

مقاله “PET: An Annotated Dataset for Process Extraction from Natural Language Text” با هدف پر کردن این شکاف حیاتی ارائه شده است. این مقاله، مجموعه داده PET را معرفی می‌کند که اولین بدنه از توصیفات فرآیند کسب‌وکار است که به طور دقیق با اطلاعات کلیدی فرآیند حاشیه‌نویسی شده است. این دستاورد نه تنها راه را برای ارزیابی معیارمحور رویکردهای استخراج فرآیند هموار می‌کند، بلکه بستری را برای توسعه نسل جدیدی از مدل‌های هوش مصنوعی و یادگیری ماشین فراهم می‌آورد که قادرند به صورت خودکار و دقیق فرآیندها را از متون پیچیده استخراج کنند. اهمیت این پژوهش در تسهیل تحولات آینده در زمینه‌های کاوش فرآیند و پردازش زبان طبیعی غیرقابل انکار است.

نویسندگان و زمینه تحقیق

پژوهش حاضر توسط تیمی متشکل از محققان برجسته در حوزه‌های مختلف علوم کامپیوتر و هوش مصنوعی انجام شده است:

• Patrizio Bellan
• Han van der Aa
• Mauro Dragoni
• Chiara Ghidini
• Simone Paolo Ponzetto

این نویسندگان، با تخصص‌های متنوع خود در زمینه‌هایی نظیر کاوش فرآیند (Process Mining)، پردازش زبان طبیعی (Natural Language Processing – NLP)، استخراج اطلاعات (Information Extraction) و هوش مصنوعی، توانسته‌اند رویکردی بین‌رشته‌ای را برای حل یکی از چالش‌های اساسی در خودکارسازی تحلیل فرآیندها ارائه دهند. این مقاله به وضوح نشان‌دهنده هم‌افزایی بین دو حوزه مجزای کاوش فرآیند و پردازش زبان طبیعی است که هر یک به تنهایی نقش مهمی در درک و بهینه‌سازی سیستم‌های اطلاعاتی ایفا می‌کنند.

زمینه اصلی این تحقیق در مرز بین این دو رشته قرار دارد. کاوش فرآیند به طور سنتی بر داده‌های رویداد ساختاریافته (structured event data) تکیه دارد، جایی که هر فعالیت و وضعیت فرآیند با مهر زمانی و اطلاعات زمینه مشخصی ثبت می‌شود. از سوی دیگر، پردازش زبان طبیعی به مدیریت و تجزیه و تحلیل داده‌های متنی غیرساختاریافته می‌پردازد. چالش اصلی در اینجا، ایجاد پلی بین این دو دنیای داده است: چگونه می‌توانیم دانش فرآیندی ارزشمند را که اغلب به صورت روایی و غیررسمی در اسناد متنی بیان می‌شود، به یک فرمت ساختاریافته که قابل تجزیه و تحلیل توسط ابزارهای کاوش فرآیند باشد، تبدیل کنیم؟

این پژوهش بر اهمیت روزافزون خودکارسازی دانش فرآیند تأکید دارد، زیرا سازمان‌ها با حجم عظیمی از مستندات سروکار دارند که می‌توانند حاوی بینش‌های عمیقی درباره نحوه عملکردشان باشند. با پر کردن شکاف بین متن و مدل فرآیند، PET به محققان و متخصصان این امکان را می‌دهد که به طور مؤثرتری از منابع متنی برای درک، مدل‌سازی و در نهایت بهبود فرآیندهای کسب‌وکار استفاده کنند.

چکیده و خلاصه محتوا

استخراج فرآیند از متن، یکی از وظایف مهم در حوزه کشف فرآیند محسوب می‌شود که طی سالیان اخیر رویکردهای مختلفی برای آن توسعه یافته است. اما بر خلاف سایر وظایف استخراج اطلاعات (Information Extraction) که در آنها منابع داده‌ای غنی و حاشیه‌نویسی‌شده موجود است، در این زمینه ما با کمبود شدیدی از مجموعه‌داده‌های طلایی (gold-standard corpora) مواجه هستیم. این مجموعه‌داده‌ها شامل توصیفات فرآیندهای کسب‌وکار هستند که به دقت با تمام نهادها و روابط مورد علاقه حاشیه‌نویسی شده باشند. نبود چنین مجموعه‌داده‌هایی دو مشکل عمده ایجاد می‌کند:

• دشواری در مقایسه عینی: بدون یک معیار استاندارد و مجموعه‌داده‌های مشترک، ارزیابی و مقایسه عینی نتایج حاصل از رویکردهای مختلف استخراج فرآیند بسیار دشوار می‌شود. هر تیم پژوهشی ممکن است از داده‌های خود یا معیارهای متفاوتی استفاده کند که امکان ارزیابی بی‌طرفانه را از بین می‌برد.
• محدودیت در به‌کارگیری متدولوژی‌های مبتنی بر داده: حوزه پردازش زبان طبیعی به شدت متکی بر مدل‌های یادگیری ماشین و عمیق است که برای آموزش خود به حجم زیادی از داده‌های حاشیه‌نویسی‌شده نیاز دارند. در غیاب چنین داده‌هایی، امکان پیاده‌سازی و توسعه رویکردهای قدرتمند مبتنی بر داده برای استخراج فرآیند از متن فراهم نیست.

برای رفع این کاستی مهم، مقاله مجموعه داده PET را معرفی می‌کند. PET اولین مجموعه‌داده از توصیفات فرآیندهای کسب‌وکار است که به طور جامع با نهادهای کلیدی فرآیند حاشیه‌نویسی شده است. این نهادها شامل موارد زیر هستند:

• فعالیت‌ها (Activities): اقداماتی که در طول فرآیند انجام می‌شوند.
• دروازه‌ها (Gateways): نقاط تصمیم‌گیری یا انشعاب/ترکیب جریان فرآیند (مانند تصمیم‌گیری “اگر/آنگاه” یا اجرای موازی).
• بازیگران (Actors): افرادی یا سیستم‌هایی که فعالیت‌ها را انجام می‌دهند.
• اطلاعات جریان (Flow Information): روابط ترتیبی و وابستگی بین فعالیت‌ها و دروازه‌ها.

نویسندگان مقاله ضمن معرفی این منبع جدید، مجموعه‌ای از مدل‌های پایه (baselines) را نیز برای معیارگذاری (benchmarking) سختی‌ها و چالش‌های استخراج فرآیند کسب‌وکار از متن ارائه می‌دهند. این مدل‌های پایه، نقطه شروعی برای ارزیابی عملکرد مدل‌های پیچیده‌تر و همچنین درک بهتر از دشواری‌های موجود در این وظیفه فراهم می‌کنند. مجموعه داده PET به صورت عمومی از طریق پلتفرم huggingface.co/datasets/patriziobellan/PET قابل دسترسی است و جامعه پژوهشی را قادر می‌سازد تا به طور مشترک به پیشرفت در این حوزه بپردازند.

روش‌شناسی تحقیق

ایجاد یک مجموعه‌داده حاشیه‌نویسی‌شده با کیفیت بالا، یک فرآیند پیچیده و زمان‌بر است که نیازمند طراحی دقیق طرح حاشیه‌نویسی، جمع‌آوری داده‌های مناسب و اجرای دقیق فرآیند حاشیه‌نویسی است. روش‌شناسی به کار گرفته شده در توسعه مجموعه داده PET، به گونه‌ای طراحی شده است که اطمینان حاصل شود داده‌های نهایی هم جامعیت داشته باشند و هم از دقت بالایی برخوردار باشند.

۱. جمع‌آوری داده‌های خام

گام اول در ایجاد PET، جمع‌آوری توصیفات فرآیند کسب‌وکار از منابع مختلف زبان طبیعی بود. این منابع معمولاً شامل اسناد رسمی شرکت‌ها، مستندات نرم‌افزارها، وب‌سایت‌های دولتی و نهادهای تنظیم‌کننده، مقالات آکادمیک و حتی متون راهنمای کاربر می‌شوند. هدف، جمع‌آوری متونی بود که به صورت طبیعی فرآیندهای کسب‌وکار را با سطوح مختلف جزئیات و پیچیدگی توصیف می‌کنند. تنوع در منابع تضمین می‌کند که مجموعه داده قادر به پوشش طیف وسیعی از سناریوهای واقعی باشد و مدل‌های آموزش‌دیده بر روی آن، قدرت تعمیم‌پذیری بالایی داشته باشند.

۲. طراحی طرح حاشیه‌نویسی (Annotation Scheme)

یکی از مهمترین جنبه‌های هر مجموعه‌داده حاشیه‌نویسی‌شده، طرح حاشیه‌نویسی آن است. نویسندگان PET یک طرح جامع را توسعه دادند که نه تنها نهادهای اصلی فرآیند بلکه روابط بین آنها را نیز پوشش می‌دهد. این نهادها عبارتند از:

• فعالیت‌ها (Activities): افعالی که یک عمل یا مرحله را در فرآیند نشان می‌دهند (مثال: “بررسی درخواست”، “تأیید پرداخت”).
• دروازه‌ها (Gateways): کلماتی یا عباراتی که نقاط تصمیم‌گیری، انشعاب موازی، یا همگرایی را نشان می‌دهند (مثال: “اگر”، “و سپس”، “یا”). اینها برای مدل‌سازی منطق کنترل فرآیند حیاتی هستند.
• بازیگران (Actors): افراد، نقش‌ها یا سیستم‌هایی که مسئول انجام فعالیت‌ها هستند (مثال: “مشتری”، “بخش مالی”، “سیستم اتوماسیون”).
• اطلاعات جریان (Flow Information): این دسته شامل روابط ترتیبی (مثال: “قبل از”، “بعد از”)، روابط موازی (مثال: “همزمان با”) و روابط شرطی (مثال: “بسته به”) بین فعالیت‌ها و دروازه‌ها است. این روابط برای بازسازی یک مدل فرآیندی کامل و صحیح بسیار مهم هستند.

برای هر نهاد، دستورالعمل‌های دقیقی تدوین شد تا اطمینان حاصل شود که حاشیه‌نویسان (annotators) به طور یکسان و با حداقل ابهام، نهادها را شناسایی و برچسب‌گذاری کنند. این دستورالعمل‌ها شامل مثال‌ها، موارد استثنا و قواعد حل تعارض بودند.

۳. فرآیند حاشیه‌نویسی

حاشیه‌نویسی واقعی متون توسط تیمی از حاشیه‌نویسان انسانی انجام شد. معمولاً در چنین پروژه‌هایی، حاشیه‌نویسان از نرم‌افزارهای تخصصی برای برچسب‌گذاری متن استفاده می‌کنند که امکان هایلایت کردن کلمات یا عبارات و اختصاص برچسب‌های از پیش تعریف شده به آن‌ها را فراهم می‌آورد. برای تضمین کیفیت، احتمالاً یک فرآیند حاشیه‌نویسی مضاعف (double annotation) و سپس حل تعارض (conflict resolution) به کار گرفته شده است. در این روش، حداقل دو حاشیه‌نویس یکسان متن را به طور مستقل حاشیه‌نویسی می‌کنند و سپس تفاوت‌ها توسط یک حاشیه‌نویس خبره یا از طریق بحث گروهی حل و فصل می‌شوند. این روش به اندازه‌گیری توافق بین حاشیه‌نویسان (inter-annotator agreement) کمک کرده و کیفیت نهایی مجموعه داده را به شدت افزایش می‌دهد.

۴. توسعه مدل‌های پایه (Baselines)

علاوه بر ارائه مجموعه داده، نویسندگان برای معیارگذاری و ارزیابی اولیه، چندین مدل پایه نیز توسعه دادند. این مدل‌ها به طور معمول شامل رویکردهای ساده‌تر پردازش زبان طبیعی مانند مدل‌های مبتنی بر قوانین (rule-based) یا مدل‌های یادگیری ماشین سنتی (مانند Conditional Random Fields – CRFs) برای شناسایی نهادهای نام‌گذاری شده (Named Entity Recognition – NER) و استخراج رابطه (Relation Extraction) هستند. نتایج حاصل از این مدل‌های پایه، یک نقطه مرجع (benchmark) را برای محققان فراهم می‌کند تا بتوانند عملکرد مدل‌های پیشرفته‌تر خود را با آن مقایسه کنند و سختی نسبی وظیفه استخراج فرآیند را درک کنند.

این روش‌شناسی جامع تضمین می‌کند که PET یک منبع باکیفیت، قابل اعتماد و معتبر برای پژوهش در زمینه استخراج فرآیند از متن باشد و به پیشرفت این حوزه کمک شایانی کند.

یافته‌های کلیدی

معرفی مجموعه داده PET خود به عنوان یک یافته کلیدی محسوب می‌شود، زیرا شکاف مهمی را در منابع داده‌ای برای حوزه استخراج فرآیند از متن پر می‌کند. اما فراتر از وجود فیزیکی این مجموعه‌داده، نویسندگان از طریق تجزیه و تحلیل ویژگی‌های آن و همچنین نتایج حاصل از مدل‌های پایه، بینش‌های مهمی را ارائه کرده‌اند.

۱. ویژگی‌های ساختاری و محتوایی مجموعه داده PET

PET نه تنها اولین مجموعه‌داده‌ای است که توصیفات فرآیند کسب‌وکار را به طور جامع حاشیه‌نویسی می‌کند، بلکه ساختار آن به گونه‌ای است که پیچیدگی‌های موجود در زبان طبیعی را برای توصیف فرآیندها منعکس می‌سازد. از جمله ویژگی‌های آن می‌توان به موارد زیر اشاره کرد:

• تنوع در متون: این مجموعه داده شامل توصیفات فرآیندهایی از دامنه‌های مختلف است، از جمله فرآیندهای اداری، مالی، فناوری اطلاعات و حتی فرآیندهای مربوط به سیاست‌گذاری، که باعث می‌شود مدل‌های آموزش‌دیده بر روی آن قدرت تعمیم‌پذیری بالاتری داشته باشند.
• پوشش جامع نهادها و روابط: حاشیه‌نویسی‌ها شامل چهار نوع نهاد اصلی (فعالیت‌ها، دروازه‌ها، بازیگران) و اطلاعات جریان بین آنها است. این جامعیت برای بازسازی مدل‌های فرآیندی کامل بسیار مهم است. برای مثال، توانایی شناسایی دروازه‌ها (مانند “اگر درخواست تأیید شود…”) از فعالیت‌ها (مانند “پرداخت را انجام دهد”)، به مدل‌های استخراج اجازه می‌دهد تا نه تنها اقدامات، بلکه منطق تصمیم‌گیری و جریان کنترل را نیز درک کنند.
• پیچیدگی زبان‌شناختی: متون موجود در PET، چالش‌های معمول زبان طبیعی مانند ابهام، ارجاعات ضمنی، جملات طولانی و ساختارهای گرامری پیچیده را دارا هستند. این ویژگی، PET را به یک منبع واقع‌بینانه برای آزمایش الگوریتم‌های پیشرفته NLP تبدیل می‌کند.

۲. نتایج مدل‌های پایه و چالش‌ها

نویسندگان برای ارزیابی اولیه و ایجاد یک نقطه مرجع، چندین مدل پایه را بر روی PET آزمایش کردند. نتایج این مدل‌های پایه نشان‌دهنده سختی ذاتی وظیفه استخراج فرآیند از متن است:

• عملکرد متوسط مدل‌های پایه: مدل‌های پایه، که اغلب شامل رویکردهای ساده‌تر مبتنی بر قوانین یا مدل‌های یادگیری ماشین سنتی‌تر هستند، عملکردی متوسط از خود نشان دادند. این موضوع تأکید می‌کند که استخراج فرآیند یک وظیفه پیچیده است و صرفاً با روش‌های ساده نمی‌توان به دقت بالایی دست یافت. برای مثال، شناسایی دقیق دروازه‌ها یا اطلاعات جریان که اغلب به صورت ضمنی بیان می‌شوند، برای این مدل‌ها چالش‌برانگیز بود.
• تفاوت در دقت استخراج نهادها: مشخص شد که استخراج برخی از انواع نهادها نسبت به سایرین دشوارتر است. به عنوان مثال، شناسایی فعالیت‌ها (به دلیل ماهیت فعل‌محورشان) ممکن است ساده‌تر از شناسایی بازیگران (که ممکن است به طرق مختلفی در متن اشاره شوند) یا به ویژه دروازه‌ها (که نیاز به درک منطق شرطی یا موازی دارند) باشد.
• اهمیت درک روابط: استخراج دقیق اطلاعات جریان (یعنی توالی و وابستگی بین فعالیت‌ها) به عنوان یکی از چالش‌برانگیزترین بخش‌ها برجسته شد. این امر نشان می‌دهد که مدل‌ها باید قادر به درک روابط معنایی عمیق‌تری فراتر از صرفاً شناسایی نهادها باشند تا بتوانند یک مدل فرآیندی منسجم را بازسازی کنند.

به طور خلاصه، یافته‌های کلیدی مقاله نشان می‌دهند که PET یک گام بزرگ رو به جلو در فراهم آوردن داده‌های لازم برای این حوزه است و در عین حال، چالش‌های عملیاتی و مفهومی موجود در استخراج فرآیند از متن را برجسته می‌سازد. این نتایج، الهام‌بخش توسعه رویکردهای نوین و پیچیده‌تر با استفاده از مدل‌های یادگیری عمیق و پردازش زبان طبیعی پیشرفته خواهد بود.

کاربردها و دستاوردها

مجموعه داده PET و پژوهش‌های مرتبط با آن، دستاوردهای مهمی را برای هر دو حوزه کاوش فرآیند و پردازش زبان طبیعی به ارمغان آورده است. این دستاوردها نه تنها به محققان کمک می‌کنند، بلکه پتانسیل تأثیرگذاری بر روی کسب‌وکارها و عملیات روزمره را نیز دارند.

۱. استانداردسازی ارزیابی و معیارگذاری

یکی از مهمترین دستاوردهای PET، فراهم آوردن یک مجموعه داده طلایی استاندارد است. پیش از این، مقایسه عینی رویکردهای مختلف استخراج فرآیند بسیار دشوار بود، زیرا هر گروه تحقیقاتی از داده‌ها و معیارهای ارزیابی متفاوتی استفاده می‌کرد. PET با ارائه یک منبع داده مشترک و حاشیه‌نویسی‌شده، به عنوان یک معیار (benchmark) قابل اعتماد عمل می‌کند. این بدان معناست که:

• محققان می‌توانند مدل‌های جدید خود را با اطمینان بر روی PET آزمایش کرده و نتایج را به طور مستقیم با مدل‌های پایه و سایر پژوهش‌ها مقایسه کنند.
• این امر به تسریع نوآوری کمک می‌کند، زیرا تمرکز محققان از جمع‌آوری و حاشیه‌نویسی داده‌ها به توسعه الگوریتم‌های کارآمدتر منتقل می‌شود.
• سازمان‌ها و توسعه‌دهندگان می‌توانند از PET برای ارزیابی ابزارهای خودکارسازی استخراج فرآیند استفاده کنند.

۲. فعال‌سازی رویکردهای مبتنی بر داده

حوزه پردازش زبان طبیعی (NLP) در سال‌های اخیر شاهد پیشرفت‌های چشمگیری به واسطه مدل‌های یادگیری عمیق (Deep Learning) و ترانسفورمرها (Transformers) بوده است. این مدل‌ها به حجم عظیمی از داده‌های حاشیه‌نویسی‌شده برای آموزش نیاز دارند. کمبود چنین داده‌هایی در زمینه استخراج فرآیند، مانع اصلی برای به‌کارگیری این تکنیک‌های قدرتمند بود.

PET این مانع را برطرف می‌کند. با در دسترس بودن این مجموعه‌داده، محققان می‌توانند:

• مدل‌های یادگیری ماشین و یادگیری عمیق را برای شناسایی فعالیت‌ها، دروازه‌ها، بازیگران و روابط جریان از متون زبان طبیعی آموزش دهند.
• رویکردهای جدیدی را برای استخراج ساختارهای پیچیده فرآیندی که فراتر از شناسایی نهادهای ساده هستند، توسعه دهند.
• امکان ساخت سیستم‌های استخراج فرآیند کاملاً خودکار و هوشمند را فراهم آورد که می‌توانند از هزاران سند متنی، مدل‌های فرآیندی را استخراج کنند.

۳. کاربردهای عملی و تجاری

دستاورد PET فقط به حوزه آکادمیک محدود نمی‌شود؛ کاربردهای عملی و تجاری گسترده‌ای نیز دارد:

• مدل‌سازی فرآیندهای کسب‌وکار: سازمان‌ها اغلب دارای حجم زیادی از اسناد متنی (مثلاً استانداردها، قوانین، رویه‌ها) هستند که فرآیندهای کسب‌وکار را توصیف می‌کنند. PET امکان استخراج خودکار مدل‌های فرآیندی از این اسناد را فراهم می‌کند، که می‌تواند به تحلیلگران فرآیند در صرفه‌جویی زمان و کاهش خطاهای انسانی کمک کند.
• مستندسازی و انطباق (Compliance): با استخراج مدل‌های فرآیند از اسناد قانونی یا سیاست‌ها، شرکت‌ها می‌توانند به طور خودکار انطباق فرآیندهای عملیاتی خود را با مقررات مربوطه بررسی کنند.
• کشف دانش ضمنی: PET به کشف فرآیندهای ضمنی و ناگفته‌ای که در ارتباطات غیررسمی مانند ایمیل‌ها یا گزارش‌ها وجود دارد، کمک می‌کند.
• بهبود اتوماسیون فرآیند: مدل‌های فرآیندی استخراج شده می‌توانند به عنوان ورودی برای ابزارهای اتوماسیون فرآیندهای رباتیک (RPA) یا سیستم‌های مدیریت فرآیندهای کسب‌وکار (BPMS) استفاده شوند و به تسریع دیجیتالی شدن و خودکارسازی کمک کنند.

به طور کلی، PET نه تنها یک منبع داده ارزشمند است، بلکه یک کاتالیزور برای نسل جدیدی از تحقیقات و ابزارهای هوشمند در زمینه درک و مدیریت فرآیندهای کسب‌وکار از طریق متون زبان طبیعی محسوب می‌شود.

نتیجه‌گیری

مقاله “PET: An Annotated Dataset for Process Extraction from Natural Language Text” یک گام بنیادین و رو به جلو در حوزه‌های کاوش فرآیند و پردازش زبان طبیعی محسوب می‌شود. این پژوهش به طور مؤثر به یکی از چالش‌برانگیزترین مسائل در استخراج فرآیند از متن پاسخ می‌دهد: کمبود مجموعه‌داده‌های باکیفیت و حاشیه‌نویسی‌شده. با معرفی مجموعه داده PET، نویسندگان نه تنها یک منبع حیاتی را در اختیار جامعه علمی قرار داده‌اند، بلکه راه را برای پیشرفت‌های آتی در این زمینه هموار ساخته‌اند.

مهمترین مشارکت‌های این مقاله عبارتند از:

• پر کردن یک شکاف اساسی: PET اولین مجموعه‌داده عمومی از توصیفات فرآیند کسب‌وکار است که به طور جامع با فعالیت‌ها، دروازه‌ها، بازیگران و اطلاعات جریان حاشیه‌نویسی شده است. این منبع به محققان این امکان را می‌دهد که رویکردهای جدیدی را توسعه داده و به طور عینی آنها را مقایسه کنند.
• فعال‌سازی رویکردهای مبتنی بر داده: با فراهم آوردن داده‌های آموزشی لازم، PET امکان به‌کارگیری و توسعه مدل‌های پیشرفته یادگیری عمیق و پردازش زبان طبیعی را برای استخراج خودکار فرآیندها از متون فراهم می‌آورد. این امر می‌تواند منجر به جهش‌های بزرگی در دقت و کارایی سیستم‌های استخراج فرآیند شود.
• ایجاد یک معیار ارزیابی: همراه با مجموعه داده، ارائه مدل‌های پایه، یک نقطه مرجع معتبر برای ارزیابی عملکرد الگوریتم‌های جدید فراهم می‌کند، که برای پیشرفت منسجم و قابل اندازه‌گیری در این حوزه ضروری است.

با این حال، کار هنوز به پایان نرسیده است و زمینه برای تحقیقات آتی گسترده است. برخی از مسیرهای آینده می‌توانند شامل موارد زیر باشند:

• گسترش PET: افزودن توصیفات فرآیندی از دامنه‌های بیشتر، زبان‌های مختلف (فراتر از انگلیسی) و با سطوح پیچیدگی بالاتر می‌تواند ارزش مجموعه داده را افزایش دهد.
• توسعه مدل‌های پیشرفته: با استفاده از PET، می‌توان مدل‌های یادگیری عمیق پیچیده‌تری را توسعه داد که قادر به درک عمیق‌تر معنایی و استخراج دقیق‌تر ساختارهای فرآیندی (از جمله روابط غیرمستقیم و ضمنی) باشند.
• ترکیب با سایر منابع: ادغام اطلاعات استخراج شده از متن با داده‌های رویداد (event logs) و سایر منابع ساختاریافته می‌تواند به ایجاد مدل‌های فرآیندی جامع‌تر و غنی‌تر کمک کند.
• کاربردهای عملی در سیستم‌های هوشمند: توسعه ابزارها و سیستم‌های کاربردی که PET را به عنوان جزء اصلی خود برای خودکارسازی تجزیه و تحلیل اسناد فرآیند در محیط‌های تجاری به کار می‌گیرند.

در نهایت، PET نه تنها یک منبع داده است، بلکه نمایانگر یک تغییر پارادایم در نحوه برخورد با مستندات فرآیند است و پتانسیل زیادی برای تحول در نحوه درک، مدل‌سازی و بهینه‌سازی فرآیندهای کسب‌وکار در عصر دیجیتال دارد.